論文の概要: Use of low-fidelity models with machine-learning error correction for well placement optimization

• arxiv url: http://arxiv.org/abs/2111.02960v1
• Date: Sat, 30 Oct 2021 19:21:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-07 11:09:27.755392
• Title: Use of low-fidelity models with machine-learning error correction for well placement optimization
• Title（参考訳）: 機械学習誤り訂正を用いた低忠実度モデルによる位置最適化
• Authors: Haoyu Tang and Louis J. Durlofsky
• Abstract要約: 低忠実度(LF)モデルを用いてシミュレーションを行う最適化フレームワークを提案する。 木に基づく機械学習手法,特にランダムフォレストと光勾配促進機を適用した。 3次元バイモーダル水路モデルにおける鉛直坑井の設置に関する2つの事例について検討した。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Well placement optimization is commonly performed using population-based global stochastic search algorithms. These optimizations are computationally expensive due to the large number of multiphase flow simulations that must be conducted. In this work, we present an optimization framework in which these simulations are performed with low-fidelity (LF) models. These LF models are constructed from the underlying high-fidelity (HF) geomodel using a global transmissibility upscaling procedure. Tree-based machine-learning methods, specifically random forest and light gradient boosting machine, are applied to estimate the error in objective function value (in this case net present value, NPV) associated with the LF models. In the offline (preprocessing) step, preliminary optimizations are performed using LF models, and a clustering procedure is applied to select a representative set of 100--150 well configurations to use for training. HF simulation is then performed for these configurations, and the tree-based models are trained using an appropriate set of features. In the online (runtime) step, optimization with LF models, with the machine-learning correction, is conducted. Differential evolution is used for all optimizations. Results are presented for two example cases involving the placement of vertical wells in 3D bimodal channelized geomodels. We compare the performance of our procedure to optimization using HF models. In the first case, 25 optimization runs are performed with both approaches. Our method provides an overall speedup factor of 46 relative to optimization using HF models, with the best-case NPV within 1% of the HF result. In the second case fewer HF optimization runs are conducted (consistent with actual practice), and the overall speedup factor with our approach is about 8. In this case, the best-case NPV from our procedure exceeds the HF result by 3.8%
• Abstract（参考訳）: ウェルプレースメント最適化は、人口ベースの大域的確率的探索アルゴリズムを用いて行われる。 これらの最適化は、大量の多相流シミュレーションを行う必要があるため、計算コストがかかる。 本研究では,これらのシミュレーションを低忠実度(LF)モデルで行う最適化フレームワークを提案する。 これらのLFモデルは、大域的透過率アップスケーリング法を用いて、基礎となる高忠実度(HF)ジオモデルから構築される。 木に基づく機械学習手法、特にランダムフォレストと光勾配促進機を用いて、LFモデルに関連する目的関数値(この場合、ネット現在値、NPV)の誤差を推定する。 オフライン(前処理)ステップでは、LFモデルを使用して予備最適化を行い、クラスタリング手順を適用して、トレーニングに使用する100-150ウェル構成の代表セットを選択する。 これらの構成に対してHFシミュレーションが実行され、ツリーベースのモデルが適切な機能セットを使用してトレーニングされる。 オンライン(ランタイム)ステップでは、LFモデルによる最適化と機械学習の修正が行われる。 微分進化は全ての最適化に使用される。 3次元バイモーダル水路モデルにおける鉛直坑井の設置に関する2つの例を示す。 我々は,HFモデルを用いた最適化手法の性能を比較する。 第一に、両方のアプローチで25の最適化実行が実行される。 提案手法は, HF モデルを用いた最適化と比較して, HF 結果の 1% 以内の NPV で全体の 46 倍の高速化係数を提供する。 第2のケースでは,HF最適化の実行を減らし(実際の実践と一致),アプローチによる全体的な高速化率は約8。 この場合、我々の手順から得られる最良のNPVはHFを3.8%上回る。

関連論文リスト

• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Graph Network Surrogate Model for Subsurface Flow Optimization [2.5782420501870296]
  井戸の位置と制御の最適化は、地下流れの操作の設計において重要なステップである。 本稿では,適切な配置と制御を最適化するためのグラフネットワーク代理モデル(GNSM)を提案する。 GNSMは、フローモデルを符号化-処理-復号アーキテクチャを含む計算グラフに変換する。
  論文  参考訳（メタデータ） (2023-12-14T03:13:12Z)
• Sample-Efficient and Surrogate-Based Design Optimization of Underwater Vehicle Hulls [0.4543820534430522]
  本稿では,BO-LCBアルゴリズムが最もサンプリング効率のよい最適化フレームワークであり,最適収束挙動を有することを示す。 また, DNN に基づく代理モデルでは, CFD シミュレーションと密に一致し, 平均絶対パーセンテージ誤差 (MAPE) が 1.85% であることを示す。 本稿では,サロゲートモデルを用いた設計最適化の2次高速化について述べる。
  論文  参考訳（メタデータ） (2023-04-24T19:52:42Z)
• A Practical Second-order Latent Factor Model via Distributed Particle Swarm Optimization [5.199454801210509]
  Hessian-free (HF) 最適化は、LFモデルの目的関数の2次情報を利用するための効率的な方法である。 本研究では,実用的なSLF(PSLF)モデルを提案する。 実HiDSデータセットの実験は、PSLFモデルがデータ表現能力の最先端モデルに対して競争上の優位性を持っていることを示している。
  論文  参考訳（メタデータ） (2022-08-12T05:49:08Z)
• Joint inference and input optimization in equilibrium networks [68.63726855991052]
  ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。 この2つの設定の間には自然なシナジーがあることが示されています。 この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
  論文  参考訳（メタデータ） (2021-11-25T19:59:33Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• Enhanced data efficiency using deep neural networks and Gaussian processes for aerodynamic design optimization [0.0]
  随伴型最適化法は空気力学的形状設計において魅力的である。 複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。 本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T15:09:21Z)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。